Germany
October 24, 2022
The Yield consortium uses satellite data and artificial intelligence to reliably predict agricultural yields. In collaboration with BASF Digital Farming, John Deere, and Munich Re, DFKI develops predictive models for selected arable crops in the focus regions of Europe, South and North America. Later models will extend to other relevant crops and growing regions.
© John Deere
How can artificial intelligence help the agricultural sector?
Environmental challenges in our world today are materializing on a global scale, in the form of food crises, wars, and the consequences of a changing climate. The farming industry needs transparency and assistance to react to changing environments and to successfully execute crisis management in the farming sector. The German Research Center for Artificial Intgelligence (DFKI) launched the Yield Consortium project, funded through the “ESA InCubed Programme” to make an important contribution towards research. The consortium is part of the AI4EO Solution Factory, a collaborative research effort by ESA and DFKI, which seeks to find new, real world solutions for business and industry on the basis of satellite data.
Switching perspectives enables reliable yield predictions
The benefit of the Yield Consortium project is the ability to proactively react to the impending changes in agricultural yields. Satellite data is used at an early stage to reliably predict expected yields. The industry partners support the modelling process and share their complementary expertise in the areas of finance, agronomy, and harvesting systems.
Yield predictions will enable new insurance calculation concepts in terms of irrigation, fertilizers, crop protection, and profit planning that result in better loss estimates in the future. These forecasts are not only beneficial for industry and authorities, but also for the farmers themselves. They are useful in optimizing cultivation methods and improving crop protection strategies.
FROM AI PROTOTYPES TO PRACTICAL AGRICULTURAL TOOLS
In just a short time, the interdisciplinary team has managed to develop and successfully test an end-to-end model, which meets the requirements of the industry partners. Currently, yield forecasts can be determined for wheat and rapeseed crops in Germany and for soybeans in South America, Argentina, and Uruguay. This is achieved by using satellite data as well as soil properties, plant growth stages, weather information, and digital elevation models.
Yield forecasts are recorded at different points in time. For example, agricultural yields can be determined at harvest time and up to 120 days prior to the harvest. The closer the date of interest is to the harvest, the more precise the forecast will be. The answers to foundational questions in the area of logistics and grain distribution are now more easily available: What location is best suited for individual crop? What kind of yields can we expect this season? Which herbicides/pesticides and how much fertilizer should be applied? Yield optimization is significantly dependent on the answers to all of these questions.
„It is our goal to develop a model that can make global predictions for all major crops.“
"Our goal is to provide forecasts of agricultural yields as accurately as possible. This should help farmers with their day-to-day decisions. We would like to gradually expand the model to other countries, take more crops into account, and improve the existing models. It is our goal to develop a model that can make global predictions for all major crops," said Dr. Marlon Nuske of the AI4EO Solution Factory.
The perspective from space enables sustainable yields
DFKI researcher Dr. Michaela Vollmer describes a practical application: "As it harvests a field, the combine continuously measures the yield in tons per hectare with high resolution such that it can be attributed to a point of origin in the field. The measured harvest points or 'geo locations' allow us to see at the sub-field level, the point-by-point yield for the field. We use this high-resolution data to match the images from space with a 10 x 10 meter pixel resolution. This is an advantage as it allows optimal training of our machine learning model. In turn, the farmer is provided with better information to apply tailored actions for each field."
„We are still looking for more cooperation partners who can provide high-quality yield maps.“
The team is interested in acquiring additional yield data to further develop the model. "We have already begun successful collaborations with the agriculture-related companies Smartway and Manexa to supply yield data. However, we are still looking for more cooperation partners who can provide high-quality yield maps," said Dr. Marlon Nuske.
„The success of the Yield Consortium will help us to attract additional industry partners from different subject areas for research, implementation, and practical model development.“
"The success of the Yield Consortium will help us to attract additional industry partners from different subject areas for research, implementation, and practical model development. The combination of AI and EO in the project expands beyond basic research. The ongoing exchange with industry partners at DFKI facilitates knowledge transfer to different application areas via so-called TransferLabs. We look forward to collaborating with additional partners from other industrial sectors," said Prof Andreas Dengel, Managing Director, DFKI Kaiserslautern and head of the Smart Data & Knowledge Services research area.
Yield Consortium: die Fernerkundung aus dem All für die Landwirtschaft
Das Yield Consortium erforscht Ansätze der Künstlichen Intelligenz, die Erträge in der Landwirtschaft auf Basis von Satellitendaten zuverlässig vorhersagen können. Gemeinsam mit BASF Digital Farming, John Deere und Munich Re werden Vorhersagemodelle für ausgewählte Ackerkulturen in den Fokus-Regionen Europa sowie Süd- und Nordamerika entwickelt, mit ersten vielversprechenden Ergebnissen. Später sollen die Modelle auf weitere relevante Kulturen und Anbaugebiete ausgedehnt werden.
Wie kann Künstliche Intelligenz dem Agrarsektor helfen?
In unserer heutigen Zeit kristallisieren sich ökologische Herausforderungen auf globaler Ebene heraus, die durch die Ernährungskrise, Kriege und den Folgen des Klimawandels Gestalt annehmen. Mehr Transparenz und Hilfestellungen für die Landwirtschaft sind erforderlich, um aktiv auf Veränderungen reagieren und Krisenmanagement im Agrarsektor erfolgreich durchführen zu können. Das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) möchte mit seiner Forschung einen wichtigen Teil zur Problemlösung beitragen und hat in Kooperation mit der European Space Agency (ESA) das Projekt Yield Consortium ins Leben gerufen. Das Konsortium ist Bestandteil der Forschungskooperation AI4EO Solution Factory, die von der ESA im Rahmen des „ESA InCubed Programme“ gefördert wird und praxisorientiert an neuen Lösungen auf Basis von Satellitendaten für Wirtschaft und Industrie arbeitet.
Perspektivwechsel ermöglicht zuverlässige Ertragsvorhersagen
Das Potenzial des Yield Consortium Projekts liegt darin, auf Veränderungen von landwirtschaftlichen Erträgen proaktiv reagieren zu können. Es werden Satellitendaten genutzt, um zuverlässig und frühzeitig Erträge vorherzusagen. Dieser Modellierungsprozess wird von den Industriepartnern begleitet und durch ihre komplementierende Expertise in den Bereichen Finance, Agronomie und Erntetechnologie unterstützt.
Die Ertragsvorhersagen ermöglichen perspektivisch neue Versicherungslösungen und können Verlustschätzungen besser kalkulieren, hinsichtlich Bewässerung, Pflanzenschutz, Düngung und wirtschaftlicher Planung. Vorteilhaft sind diese Vorhersagen nicht nur für Politik und Industrie, sondern auch für Landwirte selbst. Sie können ihnen dabei helfen, ihre Anbaumethoden zu optimieren und den Pflanzenschutz zu verbessern.
VOM KI-PROTOTYPEN ZUM PRAKTISCHEN TOOL FÜR DIE LANDWIRTSCHAFT
In kurzer Zeit ist es dem interdisziplinären Team gelungen, nach den Anforderungen der Industriepartner ein erstes End-to-End Modell zu entwickeln, welches bereits erfolgreich in der Praxis getestet wurde. Zurzeit können Ertragsvorhersagen in Deutschland für Weizen und Raps und in Südamerika, Argentinien und Uruguay für Sojabohnen bestimmt werden. Dies geschieht auf Basis von Satellitendaten. Wetterdaten, Daten zur Bodenbeschaffenheit, agronomische Informationen zu Pflanzenwachstumsphasen und digitale Höhenmodelle sind indessen im Modell integriert.
Die Ertragsvorhersagen werden zu unterschiedlichen Zeitpunkten aufgenommen. Zum einen können Erträge bis 120 Tage vor der Ernte bestimmt werden. Zum anderen werden landwirtschaftliche Ertragsprognosen zum Zeitpunkt der Ernte gegeben. Je dichter der Zeitpunkt der Ernte ist, desto genauer kann auch die Vorhersage getroffen werden. Elementare Fragestellungen im Bereich Erntelogistik und Getreidevermarktung können leichter beantwortet werden wie: Welcher Ort ist geeignet für die individuelle Anbaupflanze? Was für Erträge erwarten wir in der Saison? Wie viel Dünger und Pflanzenschutzmittel sollten eingesetzt werden? All das sind Fragen, deren Antworten einen erheblichen Einfluss auf die Maximierung von Erträgen haben.
„Ein Modell soll konzipiert werden, das global für alle wichtigen Anbaupflanzen Vorhersagen treffen kann.“
„Unser Ziel ist es, Erträge in der Landwirtschaft möglichst präzise vorherzusagen. Sie sollen Landwirten bei ihrer alltäglichen Arbeit helfen. Die Modelle möchten wir schrittweise auf weitere Länder ausdehnen, weitere Anbaupflanzen berücksichtigen und bestehende Modelle verbessern. Anschließend soll ein Modell konzipiert werden, das global für alle wichtigen Anbaupflanzen Vorhersagen treffen kann“, so Dr. Marlon Nuske von der AI4EO Solution Factory.
Die Perspektive aus dem Weltraum ermöglicht eine nachhaltige Ernte
DFKI-Forscherin Dr. Michaela Vollmer gibt einen Einblick in die Praxis: „Der Mähdrescher erntet ein Feld und misst hochauflösend und fortlaufend den Ertrag in Tonnen pro Hektar, der einem Ursprungsort im Feld zugeordnet werden kann. Anhand von gemessenen Erntepunkten, den ‚Geo Locations‘, können wir auf Sub-Feld-Ebene sehen, wie hoch der Ertrag auf einem Feld punktuell ist. Mit diesen hochauflösenden Daten können wir Satellitenbilder aus dem Weltraum mit einer 10 x 10 Meter-Pixel-Auflösung abgleichen. Das hat zum Vorteil, dass unser Machine Learning Modell optimal trainiert werden kann. So können individuelle Maßnahmen auf dem Feld von Landwirten eingeleitet werden.“
„Wir sind nach wie vor auf der Suche nach weiteren Kooperationspartnern, die hochwertige Ertragskarten bereitstellen können.“
Um das Modell weiterzuentwickeln, liegt es im Interesse des Teams, zusätzliche Ertragsdaten zu akquirieren: „Für den Erwerb von Ertragsdaten haben wir bereits erfolgreiche Kooperationen mit den landwirtschaftsbezogenen Unternehmen Smartway und Manexa etabliert. Wir sind aber nach wie vor auf der Suche nach weiteren Kooperationspartnern, die hochwertige Ertragskarten bereitstellen können.“, so Dr. Marlon Nuske.
„Der Erfolg des Yield Consortium wird uns helfen, weitere Industriepartner aus anderen Themenfeldern für unsere Forschung, Implementierung und erfolgreiche Modellentwicklung begeistern zu können.“
Prof. Dr. Andreas Dengel, Geschäftsführender Direktor des DFKI in Kaiserslautern und Leiter des Forschungsbereichs Smarte Daten & Wissensdienste: „Der Erfolg des Yield Consortium wird uns helfen, weitere Industriepartner aus anderen Themenfeldern für unsere Forschung, Implementierung und erfolgreiche Modellentwicklung begeistern zu können. Die Kombination aus dem Wissen über KI und Earth Observation geht im Projekt über die Grundlagenforschung hinaus. Durch den fortwährenden Austausch mit den Industriepartnern gelingt es uns am DFKI in den sogenannten TransferLabs das Wissen auf verschiedene Anwendungsbereiche zu übertragen. Wir freuen uns auf die Zusammenarbeit mit weiteren Partnern aus anderen industriellen Bereichen.“
Topics
Species
